在苹果生长发育过程中,及时获得果实的生长参数对于研究果实的生长规律及指导果农进行科学管理具有重要意义。传统的苹果果实生长参数主要靠人工测量获得,具有耗时耗力、成本高等缺点。计算机视觉技术可以很好地弥补人工测量的不足,为实现树上苹果智能化生长参数检测提供技术支持。然而,由于苹果生长的自然环境比较复杂,且果实在整个生长过程中存在由小到大、由绿变红的过程,使得精准、自动地识别树上果实并检测果实大小信息较为困难。为解决上述问题,在国内外研究成果的基础上,利用数字图像处理技术、模式识别及机器学习等相关农业信息技术和方法,对疏果前苹果目标的识别、不依赖于颜色特征的苹果图像的分割、苹果轮廓的检测及苹果横径生长远程检测开展了系统的研究。论文的主要研究内容及结论如下:(1)提出基于区域的全卷积网络(R-FCN)的疏果前苹果目标识别方法。针对疏果前苹果目标较小,且颜色与背景叶片极其相似而难以识别的问题,在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高苹果的识别精度并简化网络。该网络模型主要由ResNet-44全卷积网络、区域生成网络(RPN)及感兴趣区域(Ro I)子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。用332幅图像组成的测试集进行识别试验的结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊、表面有阴影、强光及弱光的苹果目标和被枝条或叶柄分成多个部分的苹果目标,召回率为85.7%,精确率为95.1%,平均速度为0.187 s/幅。比Faster R-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4%、0.7%和0.7%,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010 s和0.041 s。该方法解决了传统方法难以实现的疏果前微小绿色苹果目标识别问题,也可广泛应用于其他与背景颜色相近的小目标识别中。(2)提出一种不依赖于颜色特征的苹果图像分割方法。苹果从幼果期到成熟期,其颜色由绿变红发生极大改变,为了实现不同生长期不同颜色苹果的分割,并提高图像分割的智能化水平,首先用基于自然统计的显著性(SUN)视觉注意模型提取原始图像的显著图,在阈值分割显著图后,将二值图像中目标的质心作为初始种子生长点,同时对原始图像用拉普拉斯算子进行图像锐化,然后用基于全局化轮廓概率-方向分水岭变换-超度量轮廓图算法及Otsu阈值分割算法提取锐化后图像的显著轮廓,最后由初始种子点在显著轮廓图上进行区域生长,进而完成苹果目标的分割。用自然场景下采集的556幅不同生长阶段的苹果图像进行试验,结果表明,该算法的平均分割误差(SE)、平均假阳性率(FPR)、平均假阴性率(FNR)及平均重叠系数(OI)分别为8.4%、0.8%、7.5%和90.5%,图像分割结果优于其他6种对比方法。该方法可在不改变任何特征及参数的情况下,有效地分割绿、红及表面红绿分布不均匀的苹果。(3)提出了基于ResNet-50卷积特征融合的苹果轮廓检测网络(DAC-FEB)。为了快速、准确地检测出图像中苹果的轮廓,在ResNet-50网络模型的基础上进行了改进。该网络融合了ResNet-50中第2到第5阶段中各个块的卷积特征,并增加新的卷积层以去除上采样过程中产生的伪影。采集903幅不同成熟度的苹果图像,选取其中160幅图像作为测试集,对其余703幅图像进行水平镜像及对原始图像和镜像图像分别旋转90°、180°和270°进行图像扩容,用扩容后得到的5944幅图像进行网络训练与参数优化。结果表明,DAC-FEB网络在测试集上的F1值为53.1%,平均每幅图像运行时间为0.075s,轮廓检测结果优于其他7种轮廓检测方法。该方法能够有效地去除复杂背景,准确地检测出图像中苹果的轮廓,且具有近实时性,可有效提取出单个、重叠、被遮挡、半成熟颜色不均匀、成熟红色及未成熟绿色苹果目标的轮廓。(4)针对自然场景下苹果生长信息获取难题,提出了一种基于轮廓检测的树上苹果横径远程检测方法。在设计以CMOS网络球型摄像机和PC为核心的苹果图像远程定时获取硬件系统的基础上,设计了树上苹果横径的测量方法。图像预处理后,利用设计的DAC-FEB网络提取图像中苹果的轮廓,为了滤除图像中非检测的苹果,从预处理后的图像中手动选取待检测苹果上的一个点作为种子点,并在提取的轮廓图上进行区域生长以分割出待检测苹果。以2018年6月23日为界限,分别将图像中的苹果按圆形和椭圆形进行拟合,并分别用圆的直径和拟合椭圆长轴所在直线与苹果轮廓交点间的线段作为苹果的横径,最后利用标定球将其转换为实际苹果横径。实验结果表明,该系统实现了对21个苹果从疏果后(2018年5月16日)到成熟(2018年9月28日)期间横径生长的检测,系统检测苹果横径的平均绝对误差均值为0.90 mm,比基于圆拟合的横径检测方法(2.80 mm)降低了67.9%。利用该系统能够有效、准确地检测树上苹果的生长,并为其他果实的生长检测提供了参考,可望用于果园管理的优化。